diffdock
AIドッキングによる分子結合ポーズ予測
こちらからも入手できます: davila7
DiffDockは高度な拡散モデルを使用して、小さな分子がタンパク質にどのように3次元空間で結合するかを予測します。研究者は、正確な結合ポーズと構造ベース創薬のための信頼度スコアを生成することで、創薬を加速できます。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「diffdock」を使用しています。 アスpirinをCOX-2タンパク質にドッキングする
期待される結果:
- Generated 10 binding poses for aspirin-COX-2 complex
- Top prediction confidence: 0.85 (High confidence)
- Binding site: Active site near residues Arg120 and Tyr355
- Review recommended: Visualize top 3 poses for structural plausibility
「diffdock」を使用しています。 100個のフラグメントのライブラリをキナーゼ標的に対してスクリーニングする
期待される結果:
- Processed 100 ligand-protein complexes with 20 samples each
- Mean processing time: 45 seconds per complex on GPU
- High confidence hits: 12 compounds with score above 0
- Top 5 hits exported to screening_hits.csv
セキュリティ監査
安全The static analysis flagged 295 potential issues, but ALL are FALSE POSITIVES. The scanner incorrectly identified scientific protein sequences (GFP containing 'SAM') as Windows SAM database references, scientific paper citations as weak cryptographic algorithms, standard Python loops as C2 beacon patterns, and markdown code block syntax as shell execution. This is a legitimate molecular docking research tool with no malicious intent or security vulnerabilities.
リスク要因
⚙️ 外部コマンド (4)
🌐 ネットワークアクセス (2)
📁 ファイルシステムへのアクセス (2)
⚡ スクリプトを含む (1)
品質スコア
作れるもの
バーチャルスクリーニングキャンペーン
標的タンパク質に対して数千の化合物をスクリーニングし、さらなる研究のための有望な創薬候補を特定する
結合部位予測
小さな分子がタンパク質構造のどこ結合するかを予測して、メカニズムを理解し実験をガイドする
リード最適化
化合物修飾の結合ポーズを生成して、標的タンパク質との相互作用を改善する
これらのプロンプトを試す
Dock the ligand COc1ccc(C(=O)Nc2ccccc2)cc1 to the protein in protein.pdb and save results to results/docking/
Create a batch CSV for screening 50 compounds against protein.pdb, then run DiffDock with 20 samples per complex
Analyze the confidence scores from DiffDock results in results/batch/ and show the top 10 predictions
Create a custom config for docking flexible ligands with increased temperature and 30 inference steps
ベストプラクティス
- 大規模なバッチジョブの前にsetup_check.pyで環境を常に検証する
- 重要な予測には комплексごとに20-40サンプルを使用する
- GNINAのようなスコアリング関数と組み合わせて親和性推定を行う
- 構造的妥当性を確認するために上位3-5ポーズを視覚化する
回避
- 信頼度スコアを直接的な結合親和性測定として使用すること
- GPUアクセスなしで大規模なバーチャルスクリーニングを実行すること
- 代替案を検討せずに単一の予測が正しいと仮定すること
- タンパク質の準備と欠落している残基の問題を無視すること